[论文解读] A Quantum Convolutional Neural Network Approach for Object Detection and Classification

Gowri Namratha Meedinti, Kandukuri Sai Srirekha+1 more|arXiv (Cornell University)|Jul 17, 2023

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文针对手写数字识别数据集 MNIST，评估了量子卷积神经网络（QCNNs）与经典卷积神经网络（CNNs）及人工神经网络（ANNs）在目标检测与分类任务中的表现。尽管理论上具有潜力，QCNNs 和 QNNs 的准确率仅为 52–61%，远低于经典模型（CNN 为 99.9%，ANN 为 91.4%），表明当前量子模型在小规模任务中仍不具备竞争力，主要受限于硬件条件与噪声问题。

ABSTRACT

This paper presents a comprehensive evaluation of the potential of Quantum Convolutional Neural Networks (QCNNs) in comparison to classical Convolutional Neural Networks (CNNs) and Artificial / Classical Neural Network (ANN) models. With the increasing amount of data, utilizing computing methods like CNN in real-time has become challenging. QCNNs overcome this challenge by utilizing qubits to represent data in a quantum environment and applying CNN structures to quantum computers. The time and accuracy of QCNNs are compared with classical CNNs and ANN models under different conditions such as batch size and input size. The maximum complexity level that QCNNs can handle in terms of these parameters is also investigated. The analysis shows that QCNNs have the potential to outperform both classical CNNs and ANN models in terms of accuracy and efficiency for certain applications, demonstrating their promise as a powerful tool in the field of machine learning.

研究动机与目标

• 评估量子卷积神经网络（QCNNs）在目标检测与分类任务中相对于经典卷积神经网络（CNNs）和人工神经网络（ANNs）的性能表现。
• 探究批量大小与输入大小对 QCNN 效率与准确率的影响。
• 确定 QCNN 在性能开始下降前可处理的最大复杂度水平。
• 评估 QCNN 在图像分类任务中是否相对于经典模型展现出量子优势。
• 探索近期量子硬件在训练与部署量子神经网络方面的局限性。

提出的方法

• 本研究使用量子比特在量子环境中表示数据，应用专为量子线路设计的卷积与池化层实现 QCNN。
• 在相同 MNIST 数据集上训练经典 CNN 与 ANN 模型，以实现直接对比。
• 采用梯度下降优化方法进行训练，通过不同批量大小与输入大小评估性能表现。
• 由于当前物理量子处理器的限制，量子模型在经典硬件上进行模拟。
• 记录并对比不同批量大小与训练轮次配置下的准确率与损失值。
• 分析包括噪声、退相干及量子比特数量限制等量子特有挑战的影响。

Figure 1: Convolutional Neural Networks

实验结果

研究问题

• RQ1 QCNNs 在图像分类任务中是否能在准确率与效率方面超越经典 CNNs 与 ANNs？
• RQ2 与经典模型相比，批量大小与输入大小如何影响 QCNN 的性能表现？
• RQ3 QCNN 能够有效处理的最大复杂度水平（以输入大小与批量大小衡量）是多少？
• RQ4 为何尽管理论上具备量子优势，QCNNs 在 MNIST 数据集上仍表现不佳？
• RQ5 硬件限制（如量子比特数量与退相干时间）在多大程度上制约了 QCNN 的性能？

主要发现

• 经典 CNN 达到了 99.9% 的准确率，损失值为 0.0031，显著优于所有量子模型。
• 经典 ANN 达到 91.41% 的准确率，损失值为 0.2180，表现出在 MNIST 数据集上的强大性能。
• QCNN 在不同批量大小与训练轮次下准确率范围为 52–61%，表明其在 MNIST 上泛化能力差。
• 量子神经网络（QNNs）的准确率在 50–60% 之间，表明在测试数据集上学习能力极弱。
• MNIST 数据集本身规模较小（预处理后训练与测试样本减少至 1,000–2,000 个），可能是导致 QCNN 表现不佳的重要原因。
• 硬件限制（如量子比特数量有限、退相干时间短、错误率高）是 QCNN 表现不佳的主要因素。

Figure 2: Table-1 Major works in Quantum CNN